重症监护患者的个体化风险预后：一种多任务高斯过程模型
机器学习
2017-05-23 v1
摘要
我们报告了一种数据驱动的实时风险评分的开发和验证，该评分基于病房患者的时序实验室检查和生命体征，及时评估其临床危重程度，从而实现及时的 ICU 入院。与现有风险评分技术不同，所提出的评分是个体化的；它利用电子健康记录（EHR）数据，根据患者的静态协变量将其聚类为相似患者的子队列，然后为每个子队列学习一个单独的、时序的、非平稳的多任务高斯过程（GP）模型，以捕捉其生理动态。在来自 Ronald Reagan UCLA 医学中心收治的 6,094 名患者组成的异质性队列数据上进行的实验表明，我们的风险评分在及时性、真阳性率（TPR）和阳性预测值（PPV）方面显著优于最先进的风险评分技术，如 Rothman 指数和 MEWS。特别是，与 Rothman 指数和 MEWS 相比，所提出的评分将 AUC 分别提高了 20% 和 38%，并能在临床医生之前 8 小时预测 ICU 入院，PPV 为 35%，TPR 为 50%。此外，我们表明所提出的风险评分有助于更好地决定何时让临床上稳定的患者从病房出院，从而提高医院资源利用效率。
引用
@article{arxiv.1705.07674,
title = {Individualized Risk Prognosis for Critical Care Patients: A Multi-task Gaussian Process Model},
author = {Ahmed M. Alaa and Jinsung Yoon and Scott Hu and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1705.07674},
year = {2017}
}